基于2D卷积神经网络的3D点云物体检测

来源：计算机工程与应用杂志2025年第23期北京时间：

作者：李晓丽, 王乐, 杜振龙, 陈东

单位：南京工业大学 计算机与信息工程学院，南京 211816

摘要：激光雷达在自动驾驶和工业自动化领域已得到初步应用，获取了大量的场景、物体等点云数据，这些点云数据具有维度高、不规则的特性，已有的深度学习网络模型在处理这些数据时需用到计算代价高昂的三维卷积，其时空复杂度高且不能在线应用。针对传统网络模型处理点云数据的缺陷，提出一种基于2D卷积神经网络的3D点云物体识别方法，所提方法把不规则的点云数据统计规整为点云柱，用卷积、池化提取点云柱簇的特征，将三维的点云数据编码转化为二维的类图像特征数据；使用包含注意力机制的二维卷积神经网络在多个感受野提取充分表示点云的多尺度隐特征，解码网络根据位置、方向及物体种类识别点云物体。实验基于Ascend Atlas 200DK边端设备，单次推理耗时291?ms，实验结果与传统点云目标检测网络进行比较，分别以14.7、13.2、3.4倍的性能提升优于VoxelNet、F-PoitnNet以及Second网络模型；在KITTI数据集与ContFuse等14种点云目标检测算法进行精度对比，与次优算法相比，平均精度提升在2.3%以上；设计针对二维卷积以及注意力机制的消融实验，两个模块在模型大小与推理精度上分别提升50.9%和5.37%。实验结果表明，所提方法可高效、鲁棒、准确地检测3D点云数据的目标物体。

关键词：3D点云,点云物体识别,深度学习,点云柱,类图像